Positioning Estonian Companies with Power BI and Machine Learning

Abstract

The fundamental objective of benchmarking is the constant pursuit of excellence. In order to accomplish continuous improvement, internal operations and functions are evaluated externally, and then benchmarked. The purpose of this thesis is to compare Estonian companies to one another through financial ratios. To benchmark firms against peers by industry and revenue, a Power BI dashboard was developed. Then, clustering and classification techniques were applied in Python to examine whether company groupings that are based on financials can be learned. KMeans and hierarchical clustering revealed clusters of economic significance, whereas DBSCAN did not. However, classification models could not generalize the clustering structure, and frequently overfitted the majority clusters. The results indicate that although traditional financial ratios can confirm a company’s intuitive market position, machine learning models are incapable of handling imbalanced and noisy data. The work offers a scalable framework for analysts, investors, and policymakers to explore financial competitiveness among Estonian firms. Future research should focus on refining a balanced data set, external validation of the clusters, and exploration of new algorithms or robust scaling methods.

Ettevõtteid positsioneeritakse selleks, et võrrelda end parematega ja püüelda kõrgema tulemuslikkuse, efektiivsuse ja likviidsuse poole. Selleks, et hinnata ettevõtete sisemisi protsesse ja funktsioone, tehakse finantsnäitajate ja suhtarvude võrdlusanalüüs. Selle lõputöö eesmärk on võrrelda Eesti ettevõtteid üksteisega finantssuhtarvude kaudu. Ettevõtete võrdlemiseks konkurentidega valdkonna ja tulude järgi töötatakse välja Power BI töölaud. Seejärel rakendatakse Pythonis klastrite moodustamise ja klassifitseerimise tehnikaid, et uurida, kas finantsnäitajatel põhinevat ettevõtete rühmitamist on võimalik masinõppida. KMeans ja hierarhiline klastrite moodustamine näitasid majanduslikult olulisi klastreid, DBSCAN mitte. Klassifikatsioonimudelid ei suutnud aga klastrite struktuuri üldistada ja sobitusid liiga täpselt olemasolevate klastritega, õppides pigem selgeks andmete juhuslikud eripärad, mitte üldised mustrid. Tulemused näitavad, et kuigi traditsioonilised finantssuhtarvud suudavad kinnitada ettevõtte intuitiivset positsiooni, ei ole masinõppe mudelid võimelised käsitlema tasakaalustamata ja müraseid andmeid. Töö pakub analüütikutele, investoritele ja poliitikakujundajatele skaleeritavat raamistikku Eesti ettevõtete finantskonkurentsivõime uurimiseks. Tulevikus tuleks keskenduda tasakaalustatud andmestiku täiustamisele, klastritevälisele valideerimisele ning uute algoritmide või robustsete skaleerimismeetodite uurimisele.